文/盧星

1 數(shù)據(jù)清洗技術(shù)概述

數(shù)據(jù)清洗技術(shù)是為了提高數(shù)據(jù)質(zhì)量而剔除數(shù)據(jù)中錯(cuò)誤記錄的一種技術(shù)手段，在實(shí)際應(yīng)用中通常與數(shù)據(jù)挖掘技術(shù)、數(shù)據(jù)倉(cāng)庫(kù)技術(shù)、數(shù)據(jù)整合技術(shù)結(jié)合應(yīng)用。數(shù)據(jù)清洗技術(shù)的基本原理為：在分析數(shù)據(jù)源特點(diǎn)的基礎(chǔ)上，找出數(shù)據(jù)質(zhì)量問(wèn)題原因，確定清洗要求，建立起清洗模型，應(yīng)用清洗算法、清洗策略和清洗方案對(duì)應(yīng)到數(shù)據(jù)識(shí)別與處理中，最終清洗出滿足質(zhì)量要求的數(shù)據(jù)。具體如1所示。數(shù)據(jù)清洗是數(shù)據(jù)分析、數(shù)據(jù)挖掘的前提，也是數(shù)據(jù)預(yù)處理的關(guān)鍵環(huán)節(jié)，可保證數(shù)據(jù)質(zhì)量和數(shù)據(jù)分析的準(zhǔn)確性。在大數(shù)據(jù)環(huán)境下，數(shù)據(jù)清洗技術(shù)已經(jīng)被廣泛應(yīng)用于大健康、銀行、移動(dòng)通信、交通等領(lǐng)域，在一定程度上保證了數(shù)據(jù)質(zhì)量，為大數(shù)據(jù)決策提供了可靠依據(jù)。

2 大數(shù)據(jù)的數(shù)據(jù)清洗技術(shù)及應(yīng)用

2.1 基于函數(shù)依賴的數(shù)據(jù)清洗技術(shù)

基于函數(shù)依賴的數(shù)據(jù)清洗技術(shù)，可解決數(shù)據(jù)異常、重復(fù)、錯(cuò)誤、缺失等問(wèn)題，能夠在數(shù)據(jù)預(yù)處理環(huán)節(jié)對(duì)臟數(shù)據(jù)進(jìn)行清洗，從數(shù)據(jù)源處減少噪聲數(shù)據(jù)，提高數(shù)據(jù)清洗效率。該數(shù)據(jù)清洗技術(shù)可廣泛應(yīng)用于移動(dòng)互聯(lián)網(wǎng)數(shù)據(jù)分析等領(lǐng)域，具體應(yīng)用步驟如下：

2.1.1 建立數(shù)據(jù)庫(kù)

根據(jù)清洗特征建立數(shù)據(jù)庫(kù)，在數(shù)據(jù)庫(kù)中存儲(chǔ)有質(zhì)量問(wèn)題的待清洗數(shù)據(jù)，對(duì)數(shù)據(jù)庫(kù)進(jìn)行優(yōu)化，生成原始數(shù)據(jù)庫(kù)。

2.1.2 數(shù)據(jù)篩選

對(duì)原始數(shù)據(jù)庫(kù)中噪聲數(shù)據(jù)進(jìn)行分析，利用語(yǔ)義關(guān)聯(lián)挖掘隱藏在字段間的關(guān)系，即字段間的函數(shù)依賴關(guān)系，進(jìn)而確定數(shù)據(jù)的待清洗屬性。

2.1.3 數(shù)據(jù)查找

根據(jù)字段間的函數(shù)依賴關(guān)系找出原始數(shù)據(jù)庫(kù)中存在差異的數(shù)據(jù)，建立其高階張量屬性集。

2.1.4 數(shù)據(jù)清洗

在原始數(shù)據(jù)庫(kù)中找出可信度較低的字段，利用字段間的函數(shù)依賴關(guān)系清洗字段和數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行修復(fù)。

2.1.5 數(shù)據(jù)獲取

在數(shù)據(jù)庫(kù)中更新清洗后的數(shù)據(jù)，生成目標(biāo)數(shù)據(jù)庫(kù)集，并對(duì)清洗過(guò)程進(jìn)行記錄，生成清洗日志。清洗日志主要包括原始數(shù)據(jù)、清洗時(shí)間、清洗操作、清洗后數(shù)據(jù)等信息，為日后數(shù)據(jù)處理和數(shù)據(jù)質(zhì)量分析提供記錄依據(jù)。

2.2 相似重復(fù)數(shù)據(jù)清洗技術(shù)

在大數(shù)據(jù)中，相似重復(fù)數(shù)據(jù)是數(shù)據(jù)清理的重點(diǎn)，具體表現(xiàn)為多種形式的記錄描述目標(biāo)卻相同，或多條同樣記錄表達(dá)同樣含義，其產(chǎn)生的原因多種多樣，主要包括數(shù)據(jù)錄入拼寫(xiě)錯(cuò)誤、存儲(chǔ)類型不一致、縮寫(xiě)不同等。由于相似重復(fù)數(shù)據(jù)的識(shí)別難度較大，所以必須借助重復(fù)檢測(cè)算法進(jìn)行檢測(cè)，以保證相似重復(fù)記錄數(shù)據(jù)的清洗效率，避免數(shù)據(jù)冗余。相似重復(fù)數(shù)據(jù)檢測(cè)是對(duì)字段和記錄是否存在重復(fù)性進(jìn)行檢測(cè)，前者主要采用編輯距離算法，后者卻主要采用優(yōu)先列隊(duì)算法、排序鄰居算法、N-Gram聚類算法。

2.2.1 基于排列合并算法的數(shù)據(jù)清洗技術(shù)

基于排列合并算法的相似重復(fù)數(shù)據(jù)清洗流程如下：分析源數(shù)據(jù)庫(kù)的屬性段，確定屬性的關(guān)鍵值，根據(jù)關(guān)鍵值按照自上而下或自下而上的順序排列源數(shù)據(jù)庫(kù)中的數(shù)據(jù)；對(duì)數(shù)據(jù)庫(kù)中的記錄進(jìn)行掃描，并將掃描后的數(shù)據(jù)與相鄰數(shù)據(jù)進(jìn)行比較，按照算法計(jì)算相鄰數(shù)據(jù)的相似度；系統(tǒng)預(yù)設(shè)閾值，根據(jù)閾值評(píng)價(jià)計(jì)算出來(lái)的相似度是否在規(guī)定范圍內(nèi)，如果超過(guò)閾值，則說(shuō)明這些相鄰的數(shù)據(jù)或記錄屬于相似重復(fù)記錄，采用合并數(shù)據(jù)或刪除的方式處理數(shù)據(jù)。如果未超過(guò)閾值，則按照順序繼續(xù)掃描下面數(shù)據(jù)；在數(shù)據(jù)全部檢測(cè)之后，輸出檢測(cè)后的數(shù)據(jù)。

2.2.2 基于N-Gram算法的數(shù)據(jù)清洗技術(shù)

該技術(shù)通過(guò)計(jì)算每條記錄的N-Gram值，對(duì)相似重復(fù)數(shù)據(jù)進(jìn)行排序。馬爾科夫假設(shè)下一詞出現(xiàn)的概率依賴于前一個(gè)或前幾個(gè)詞出現(xiàn)的概率，其數(shù)據(jù)模型表達(dá)式為P(S)=p(w1)p(w2|w1)p(w3|w2)…p(wi|wi-1)…p(wn|wn-1)

二元的Bigram認(rèn)為，每條語(yǔ)句中的詞有且僅有與其前面最相近的詞存在相關(guān)，其概率數(shù)學(xué)模型表達(dá)式為：

P(S)=p(w1w2…wn)=p(w1)p(w2|w1)p(w3|w1w2)…p(wn|w1w2…wn-1) ≈ p(w1)p(w2|w1)p(w3|w2)…p(wn|wn-1)

三元的Trigram假設(shè)下一個(gè)詞僅與前兩個(gè)詞存在依賴關(guān)系，其概率數(shù)學(xué)模型表達(dá)式為：

P(S)≈ p(w1)p(w2|w1)p(w3|w1w2)…p(wn|wn-2)wn-1)

數(shù)據(jù)清洗過(guò)程如下：處理帶有標(biāo)識(shí)性含義的標(biāo)點(diǎn)或者無(wú)法識(shí)別的字符串；掃描整個(gè)數(shù)據(jù)庫(kù)，建立起基于N-Gram算法的語(yǔ)料庫(kù)；按照N-Gram算法對(duì)數(shù)據(jù)記錄進(jìn)行分割，計(jì)算重復(fù)矩陣；對(duì)待清洗數(shù)據(jù)記錄計(jì)算它們的N-Gram值；按照N-Gram排序待清洗數(shù)據(jù)記錄，計(jì)算記錄之間的相似度，根據(jù)相似度高低判斷記錄是否重復(fù)。

2.3 不完整數(shù)據(jù)清洗技術(shù)

圖1：數(shù)據(jù)清洗流程示意圖

大數(shù)據(jù)時(shí)代下，在數(shù)據(jù)上報(bào)或接口調(diào)用時(shí)會(huì)存在大量不完整的數(shù)據(jù)，嚴(yán)重影響著數(shù)據(jù)質(zhì)量。不完整數(shù)據(jù)主要包括屬性值錯(cuò)誤和空值，其中用于前者的檢測(cè)方法為關(guān)聯(lián)規(guī)則法、聚類方法、統(tǒng)計(jì)法，上述方法均通過(guò)總結(jié)規(guī)律對(duì)錯(cuò)誤值進(jìn)行查找，找到錯(cuò)誤值后予以修復(fù)；后者的檢測(cè)方法以人工填寫(xiě)空缺值、屬性值為主，其空缺值包括最小值、最大值、中間值、平均值或概率統(tǒng)計(jì)函數(shù)值。在不完整數(shù)據(jù)清洗中，一般按照以下清洗流程：估計(jì)數(shù)據(jù)源的缺失值參數(shù)，為數(shù)據(jù)清洗提供依據(jù)；利用數(shù)據(jù)填充算法填充不完整數(shù)據(jù)的缺失值；填充后的數(shù)據(jù)為完整數(shù)據(jù)，將完整數(shù)據(jù)輸出。

2.4 不一致數(shù)據(jù)修復(fù)技術(shù)

大數(shù)據(jù)環(huán)境下，數(shù)據(jù)源受多種因素的影響，違反完整性約束，造成大量不一致數(shù)據(jù)的產(chǎn)生。在數(shù)據(jù)清洗中，要利用不一致數(shù)據(jù)修復(fù)技術(shù)使不一致數(shù)據(jù)符合完整性約束，進(jìn)而保證數(shù)據(jù)質(zhì)量。數(shù)據(jù)修復(fù)流程如下：檢測(cè)數(shù)據(jù)源中的數(shù)據(jù)格式，對(duì)數(shù)據(jù)格式進(jìn)行預(yù)處理；檢測(cè)預(yù)處理數(shù)據(jù)后的數(shù)據(jù)是否符合完整性，如果不符合，則要修復(fù)數(shù)據(jù)。如果在數(shù)據(jù)修復(fù)之后依然存在著與數(shù)據(jù)完整性約束不一致的情況，則要再次修復(fù)數(shù)據(jù)，直到數(shù)據(jù)符合要求；數(shù)據(jù)修復(fù)完成后，將其還原成原格式，為數(shù)據(jù)錄入系統(tǒng)打下基礎(chǔ)。

3 結(jié)論

總而言之，數(shù)據(jù)量大、價(jià)值密度低是大數(shù)據(jù)的特點(diǎn)，為了提高數(shù)據(jù)質(zhì)量，必須在數(shù)據(jù)預(yù)處理階段進(jìn)行數(shù)據(jù)清洗，采用不完整數(shù)據(jù)清洗技術(shù)、不一致數(shù)據(jù)修復(fù)技術(shù)、相似重復(fù)數(shù)據(jù)清洗技術(shù)等，修復(fù)缺失數(shù)據(jù)、不一致數(shù)據(jù)和異常數(shù)據(jù)，合并或刪除相似重復(fù)數(shù)據(jù)，進(jìn)而保證數(shù)據(jù)預(yù)處理質(zhì)量，提高數(shù)據(jù)利用效率。